کنترل کننده منطق فازی نوع PID برای سیستم یاتاقان مغناطیسی فعال

PID-type fuzzy logic controller for active magnetic bearing system

چکیده
1. مقدمه
2. توصیف شناسایی مدل و سیستم
3. طراحی کنترلر فازی نوع پی آی دی
4. تنظیم فاکتورهای مقیاس‌بندی با استفاده از MOGA
5. پیاده‌سازی کنترلر فازی طراحی‌شده
6. نتیجه
منابع

چکیده
این مقاله به توصیف طراحی یک کنترل‌کننده‌ی منطق فازی از نوع پی آی دی (PID-FLC) و کاربرد آن در تثبیت یک سیستم یاتاقان مغناطیسی فعال (AMB) می‌پردازد. PID-FLCی پیشنهادشده، با ادغام یک کنترلر منطق فازی نوع پی دی و یک کنترل منطق فازی نو پی آی، حاصل می‌شود. از یک الگوریتم ژنتیک چندهدفه (MOGA) به منظور تعیین عوامل مقیاس‌بندی مقادیر ورودی و خروجی PID-FLC استفاده می‌شود. سپس کنترلر طراحی‌شده، در C کدگذاری می‌شود و در زمان واقعی روی یک کارت پردازشگر سیگنال دیجیتال (دی اس پی)، پیاده‌سازی می‌شود. نتایج حاصل از PID-FLC با نتایج حاصل از یک کنترلر نوع تاخیر-تقدم متعارف و کنترلر آنالوگ آنبورد سیستم، مقایسه می‌شود. طراحی کنترلرها بر مبنای روش‌های کلاسیک، خصوصاً برای سیستم‌هایی که مدل مرتبه‌بالا دارند، ممکن است خسته‌کننده باشد. در مقایسه، طراحی کنترلر PID-FLC فقط نیازمند تغییر برخی فاکتورهای مقیاس‌بندی در لوپ کنترل است و به این ترتیب، بسیار ساده‌تر از روش‌های طراحی کلاسیک است. نتایج تجربی نیز، عملکرد ارتقایافته و استواری این سیستم را تحت کنترل PID-FLC را با وجود اختلال، تایید کرده است.

2. توصیف شناسایی مدل و سیستم
سیستم تحت بررسی، یک محور است که حاوی دو جفت یاتاقان مغناطیسی در دو سوی خود است. این را می‌توان بصورت یک سیستم چهار ورودی و چهار خروجی نشان داد. تصویر 1، نماهای فوقانی و جلویی ستاپ آزمایشی را نشان داده‌اند. این سیستم، چهار جفت تقویت‌کننده‌ی جریان خطی (هر جفت برای هر محور یاتاقان شعاعی) و چهار جبرانساز پیشفاز آنالوگ داخلی بکار برده است تا بطور مستقل محورهای یاتاقان شعاعی را کنترل کند. در این مقاله، طرحی ارائه می‌دهیم که در آن کنترلر آنالوگ آنبورد را می‌توان با کنترلر دیجیتال جایگزین کرد. مدلی از سیستم یاتاقان مغناطیسی MBC500، فقط برای شبیه‌سازی پویا و طراحی کنترلر متعارف شناسایی خواهد شد، چراکه طراحی FLC نیازمند مدل سیستم نیست. چون سیستم یاتاقان مغناطیسی، ناپایدار لوپ‌باز است، یک فرایند شناسایی سیستم لوپ‌بسته مورد نیاز است. یک فرایند شناسایی سیستم لوپ‌بسته‌ی دومرحله‌ای، بکار می‌رود تا مدلی را برای سیستم یاتاقان مغناطیسی، شناسایی شود. جزئیات آزمایش پاسخ فرکانسی و فرایند شناسایی سیستم، در رفرنس 14 آمده است. با استفاده از دیتای آزمایشی گردآوردی‌شده، مدلی از یاتاقان مغناطیسی بدست آمده و در رفرنس 1 ارائه شده است. بزرگی پاسخ فرکانسی که بصورت آزمایشی گردآوری شده است، در تصویر 2 نیز قابل مشاهده است. اما در این مقاله، فقط مدل نخستین کانال برای طراحی کنترلر متعارف و شبیه‌سازی پویای سیستم AMB بکار می‌رود

دو رزونانس را می‌توان در پاسخ فرکانس نخستین کانال (تصویر 2) مشاهده کرد. چون مجموعاً مدل مرتبه‌چهارم مورد نیاز است تا دو حالت رزونانس مدلسازی شوند، آنرا می‌توان از تصویر 3 استنتاج کرد که در آن، مدل‌های با مرتبه‌ی کمتر از پنج، نمی‌توانند نیروگاه واقعی را دقیقاً مدلسازی کنند. بعلاوه، هرچه مدل از مرتبه بالاتری برخوردار باشد، طراحی کنترلر متعارف نیز دشوارتر است. هدف نهایی در اینجا، یافتن مدلی از سیستم واقعی است که تا حد امکان ساده باشد و در عین حال بتواند تمام مشخصات ضروری نیروگاه را در خود لحاظ کرده باشد. بنابراین، یک مدل مرتبه ششم، جهت مدلسازی حالت بدنه‌ی سفت و بدنه‌ی خم‌شونده، با تابع تبدیل مرتبه دوم و چهارم، انتخاب می‌شود.

3. طراحی کنترلر فازی نوع پی آی دی
به منظور کاهش تعداد قواعدی که در کنترلر فازی سه‌ورودیِ نوع پی آی دی بکار می‌روند، دو ساختار FLCی نوع سوگنو که در تصویر 4 ملاحظه می‌کنید، در این مقاله استفاده شده است. در واقع، کنش پی آی دی به یک بخش PI-FLC و یک بخش PD-FLC تفکیک می‌شود. سپس خروجی‌های این دو کنترلر فازی، افزوده می‌شوند تا یک PID-FLC تهیه شود. همانطور که از تصویر 4 می‌توان مشاهده کرد، چهار پارامتر باید با استفاده از روش‌های بهینه‌سازی تنظیم شوند. یعنی GE فاکتور مقیاس‌بندی خطای ورودی، GCE نرخ ورودی تغییر فاکتور مقیاس‌بندی خطا، GCU فاکتور مقیاس‌بندی خروجی PI-FLC و GU فاکتور مقیاس‌بندی خروجی PD-FLC است.

سیستم تشخیص نفوذ مبتنی بر فازی در شبکه های ادهاک متحرک (MANET)

Fuzzy based intrusion detection system in MANET

چکیده
1 مقدمه
2 بررسی ادبیات پژوهشی
3 روش پیشنهادی
4 نتایج و گفتمان
5 نتیجه گیری
منابع

چکیده

توسعه ی سریع و رواج و محبوبیت شبکه ی ادهاک متحرک (MANET) مسائل امنیتی زیادی را در شبکه به همراه داشته است. سامانه ی تشخیص نفوذ، یک فناوری امنیتی مؤثر که می تواند داده های مخرب در محیط شبکه های پیچیده را به خوبی تشخیص داده و امنیت شبکه ی کامپیوتری را تضمین کند. به دلیل اینکه پیچیدگی MANET، IDSهای سامانه ی تشخیص نفوذ قدیمی در این بستر مؤثر واقع نمی شوند، روش های متعددی از جمله ماشین بردار پشتیبان (SVM) به منظور تشخیص نفوذ مورد استفاده قرار گرفته اند. اکثر فناوری های موجود تلاش می کنند تا زمان اجرای کمتر و بهره وری انرژی را به همراه داشته باشند درحالیکه به نرخ تشخیص دقیق دست پیدا می کنند. به منظور غلبه برا این ایرادات و مشکلات، یک ماشین یادگیری افراطی فازی جدید مبتنی بر تحلیل مؤلفه ی اصلی (PCA-FELM) در این مقاله مطرح شده است. در درجه ی اول، ویژگی ها با استفاده از تحلیل مؤلفه ی اصلی استخراج می شوند و پس از آن ویژگی های استخراج شده با استفاده از ماشین یادگیری افراطی فازی طبقه بندی می شوند. PCA-FELM با استفاده از شبیه ساز MAT LAB اجرا می شود. PCA-FELM پیشنهادی با روش های موجود مثل DBN-IDS، GOA-SVM، و SDAE-ELM مقایسه شده و روش پیشنهادی به دقت 99.08% بالاتر از سایر روش های موجود دست می یابد. آزمایش های صورت گرفته روی رقابت ابزارهای داده کاوی و کشف دانش، مجموعه داده های KDD Cup99 نشان می دهند که روش PCA-FELM پیشنهادی نسبت به سایر تکنیک های موجود از عملکرد خیلی بهتری برخوردار هستند. 

2- بررسی ادبیات پژوهشی
با توجه به تحرک و پویایی گره ها، گره های مخرب درون شبکه وجود دارند. به دلیل این نقاط ضعف، MANET به احتمال خیلی زیاد مورد حمله ی نهادهای مخرب قرار بگیرد. بنابراین، بسیاری از محققان تلاش کرده اند تا نفوذ در MANET را با استفاده از روش های یادگیری ماشین و یادگیری عمیق شناسایی کرده و تشخیص دهند. در میان این روش ها، تنها معدود روش هایی وجود دارند که در این بخش مورد بررسی قرار گرفته اند.

در سال 2019، وی، P.، [21]، یک استراتژی بهینه سازی همزمان جدید را برای تقویت ساختار DBN در بستر یک مشکل بهینه سازی مدل طبقه بندی تشخیص نفوذ مبتنی بر یک DBN (DBN-IDS) مطرح کرد. روش پیشنهادی وضعیت شبکه ی DBN در بازه ی لایه ی پنهان را با تعداد محدودی از لایه های پنهان بهینه سازی می کند.

در سال 2019، ای، Z.، و همکاران [22] یک ماشین بردار پشتیبان براساس روش بهینه سازی ملخ (GOA-SVM) را برای افزایش و تقویت دقت ماشین بردار پشتیبان (SVM) در اسکن آسیب پذیری پیشنهاد کردند. به منظور افزایش دقت ماشین بردار پشتیبان در تشخیص نفوذ، این مقاله GOA-SVN را معرفی کرده و از آن برای تشخیص نفوذ استفاده همی کند. مطابق با نتایج آزمایشی، این روش بهتر از روش های موجود عمل می کند.

رویکرد فرآیندکاوی در آنالیز داده های مهم و مدل سازی ریسک های تصمیم گیری با هدف اندازه گیری بهداشت محیط در سازمان ها

A process mining approach in big data analysis and modeling decision making risks for measuring environmental health in institutions

چکیده

1 مقدمه

2 اصول و رویکردها

1.2 محاسبه شاخص بهداشت محیط سازمانی

3 نتیجه و بحث

4 نتیجه گیری

اعلامیه مربوط به تضاد منافع

تشکر و قدردانی

فهرست منابع

چکیده

این مقاله قصد دارد به معرفی یک چارچوب فرایندکاوی با هدف سنجش وضعیت بهداشت محیط در سازمان ها  بپردازد. این رویکرد، یک شاخص مبتنی بر نرم افزار بنام شاخص بهداشت محیط سازمانی (IEHI) را ایجاد کرده است که حاصل تلفیق مدل های تصمیم گیری گروهی چند معیاره مبتنی بر هستی شناسی بوده که این مدل ها بر پایه اصول مدل سازی فازی و برآورد اتفاق نظر همگانی می باشند. میانگین وزنی مرتب شده فازی (OWA) با قابلیت مدل سازی عدم اطمینان ها و ریسک های تصمیم گیری به همراه تکنیک اولویت بندی بر اساس شباهت به راه حل ایده آل (TOPSIS) بعنوان موتور های محاسباتی به کار گرفته شدند. عملکرد این شاخص توسعه یافته طی یک مثال کاربردی در 20 مسجد به عنوان نهادهای عمومی مورد آزمایش قرار گرفت. شاخص بهداشت محیط سازمانی توانست داده های مهم جمع آوری شده توسط محققین را بررسی کرده و آنها را به یک عدد واحد و قابل تفسیر تبدیل کند. این شاخص مساجدی را با شرایط بهداشتی بسیار نامناسب شناسایی کرد که می بایست به لحاظ برخورداری از بهداشت و همچنین شرایط مناسب، در اولویت باشند. این شاخص با توجه به قابلیت تعریف نوع و اعداد معیارها و همچنین بهره مندی از یک نرم افزار خاص و کاربرپسند موسوم به تصمیم گیری فازی گروهی، بسیار انعطاف پذیر و کاربردی است. از این رویکرد می توان برای محاسبه شرایط بهداشت محیط در هر سازمان یا شغل مورد نظری استفاده کرد. شاخص پیشنهادی از طریق تجزیه و تحلیل داده ها و ریسک های مهمی که موجب اتخاذ تصمیمات واقع بینانه تری میشوند، می بایست بتواند ارزیابی کارآمدتری از بهداشت الکترونیکی داشته باشد.

1 مقدمه 

شهرنشینی به مرور زمان و به ویژه در مناطقی با درآمد متوسط و کم مانند کشور های در حال توسعه با سرعت بیشتری صورت گرفته و در نتیجه کمبود بهداشت در این مکان ها بواسطه سود کمتر و اقتصاد ضعیف، شدت بیشتری پیدا می کند. از دهه 1940 تا کنون، هم بستگی بین محیط فیزیکی (اشاره به ساختمان ها و مکان های عمومی) و بهداشت انسان، یکی از اولویت های سازمان بهداشت جهانی (WHO) محسوب می شود. مطالعات نشان داده اند که بهداشت محیط در یک شهر بزرگ، اقتصاد را نیز مانند سیاست تحت تاثیر قرار داده و این یک معیار جامع در برنامه ریزی و تصمیم گیری شهری محسوب می شود؛ از این رو انتظار می رود پوشش بهداشت تا حد زیادی در این جوامع مشاهده شود.

4 نتیجه گیری

در سیستم های مراقبت بهداشتی، به دلیل وجود محدودیت های اقتصادی، بهبود همزمان شرایط بهداشتی در مکان های عمومی غالبا غیر ممکن بوده و انجام این فرایند طی چند مرحله برای مدیران، عقلانی تر است. در اولین گام باید با انجام یک ارزیابی جامع، مکان هایی که دارای کمترین سطح بهداشت هستند را شناسایی کرده و سپس باید آن ها را در جهت بهینه سازی و اصلاح شرایط، اولویت بندی کرد. این مطالعه با هدف ارائه یک چارچوب فرایند کاوی یک شاخص عددی برای تجزیه و تحلیل داده ها و مدل سازی ریسک در ارزیابی بهداشت محیط مربوط به سازمان های شهری و مکان های عمومی، انجام شده است. شاخص توسعه یافته، نمایان گر آن است که برخی از مکان های مطالعه شده، شرایط بسیار نامناسبی داشته و باید آن ها از نظر بهداشتی در اولویت قرار داد. این شاخص، شاخصي مفید برای سنجش اوضاع بهداشت سازمانی بوده و نقاط ضعف و ریشه های مربوط به مشکلات بهداشتی آن ها را به خوبی کشف می کند.

Abstract

This paper aimed to introduce a process-mining framework for measuring the status of environmental health in institutions. The methodology developed a new software-based index namely Institutional Environmental Health Index (IEHI) that was integrated from ontology-based Multi-Criteria Group Decision-Making models based on the principles of fuzzy modeling and consensus evaluation. Fuzzy Ordered Weighting Average (OWA) with the capability of modeling the uncertainties and decision-making risks along with Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) were employed as the computation engine. The performance of the extended index was examined through an applied example on 20 mosques as public institutions. IEHI could analyze big data collected by environmental health investigators and convert them to a single and interpretable number. The index detected the mosques with very unsuitable health conditions that should be in priority of sanitation and suitable ones as well. Due to the capability of defining the type and numbers of criteria and benefitting from specific and user-friendly software namely Group Fuzzy Decision-Making, this index is highly flexible and practical. The methodology could be used for numerating the environmental health conditions in any intended institution or occupation. The proposed index would provide e-health assessment by more efficient analysis of big data and risks that make more realistic decisions in environmental health system.

1 Introduction

Urbanization is becoming faster by passing the time specially, in medium and low income areas like developing countries and as a consequence the health deficiency is more sever in these locations due to lower earning and poor economy (Derakhshan et al., 2017; Mbuya and Humphrey, 2016; Verma et al., 2017). The correlation between physical environment, referring to buildings and public places, with human health has been one of the World Health Organization (WHO’s) priorities since 1940s (Ene, 2014). Studies showed that the environmental health in a big city influences the economy as well as policy and it is an integral criterion for city planning and decision-making. Hence, the hygiene coverage is expected to be highly observed in such communities (Jenkins et al., 2014; Weingaertner and Moberg, 2014; Wolch et al., 2014).

4 Conclusion

In health care systems, due to economical limitations, the simultaneous improvement of the health conditions in public places is often impossible and performing this process in multiple stages is more reasonable for the managers. In the first step, the places with the lowest sanitary level should be identified by doing a comprehensive assessment and then they should be prioritized for optimization and improvement. This study has aimed to present a process mining framework of a numerical index for data analyzing and risk modeling in environmental health assessment in urban institutions and public places. Developed index indicated that some of the studied places had very unsuitable conditions and they should be prioritized for sanitation. This index is a useful indicator to measure institutional health status and it detects the weak points and the origins of health problems of them well.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

رویکرد فرآیندکاوی در آنالیز داده های مهم و مدل سازی ریسک های تصمیم گیری با هدف اندازه گیری بهداشت محیط در سازمان ها

A process mining approach in big data analysis and modeling decision making risks for measuring environmental health in institutions

برآورد اقتصادی ریسک تولید مبتنی بر روش های منطق فازی

Production risk economic assessment based on the fuzzy logic approaches

چکیده

1 مقدمه

2 پیشینه ایجاد مدلی برای ارزیابی ریسک

3 ارزیابی مولفه ریسک تولید

4 ارزیابی ریسک اقتصادی

5 نتیجه گیری

منابع

چکیده

آیا مدل ریاضی-اقتصادی ارزیابی ریسک تولید مربوط به آسیب های شغلی، بر اساس روش استنتاج فازی ممدنی بتفضیل شرح داده شده است. این مدل، ارزیابی ریسک مربوط به ایمنی کارگران و ارزیابی ریسک کاهش سودآوری تولید ناشی از آسیب های شغلی را در بر می گیرد. کاربرد عملی این مدل می تواند اثربخشی تصمیمات مربوط به مدیریت ریسک را بهبود دهد.

2 پیشینه ایجاد مدلی برای ارزیابی ریسک
این مدل شامل دو سیستم استنتاج فازی متوالی (SFI) می باشد:SFI1 (مولفه ریسک تولید) و SFI2 (مولفه اقتصادی). در شبیه سازی از نامگذاری های زیر استفاده می شود.

SFI1: i(i=1,n) – عوامل پرخطر تولید(HPF)، آسیب های اولیه و زیان مالی. متغیرهای ورودی: Ti – احتمال تصادفی؛ Si – آسیب تصادفی، Di – مدت زمان در معرض HPF بودن . متغیر خروجی- Ri – ریسک تصادفی. Ri ، Ti ، Si، Di به شکل زبانی با این روابط ارائه می شوند: Y1j، X1j، X2j، X3j.

SF12: P- سودآوری تولید؛ I-سود مورد انتظار، اختلاف. ؛ C- هزینه اولیه مورد انتظار، اختلاف..؛ G- درآمد عملیاتی، اختلاف.؛ C0i- هزینه کل پیاده سازی ریسک Ri ، اختلاف. ؛ Qi= C0i/C. – REi- ارزیابی جامع ریسک تولید تاثیر HPF به همراه هزینه های آتی؛ RiиQi- متغیرهای ورودی شکل زبانی با روابطY2j و X4j.
بیان شکل: A={X/µA(X)} – مجموعه ای از زوج های مرتب از زیر مجموعه فازی A، که (X)µ – تابع عضویتی از مقدار متغیر پایه برای یک زیر مجموعه است؛ Wm – قوانین محمول فازی (m=1,g).

رویکرد استدلال مبنی بر مورد فازی برای یافتن اولویت بیماران کووید-19 در بیمارستانها در دوره کمبود منبع

Fuzzy case-based reasoning approach for finding COVID-19 patients priority in hospitals at source shortage period

چکیده

1. مقدمه

2. مروری بر مقالات

2.1 انگیزه و مشارکت

3. رویکرد استدلال مبتنی بر مورد

4. رویکرد استدلال مبتنی بر مورد فازی

5. مبانی نظری برای عوامل مهم

5.1. علائم

5.2. سن

5.3. مدت زمان علائم

5.4. اشباع اکسیژن

5.5. فشار خون

5.6. یافته‌های مربوط به رادیوگرافی قفسه سینه

5.7. یافته‌های سی تی اسکن

5.8. بیماری‌های همراه (چند ابتلایی)

6. رویکرد CBR فازی با مدل تار عنکبوتی

6.1. روش پیشنهادی

6.2. الگوریتم

7. مطالعه موردی

7.1. نتایج

7.2. بحث

8. نتیجه گیری

منابع

چکیده

در این مقاله تحقیقاتی، ما یک الگوریتم را برای ارزیابی پذیرش بیماران COVID-19 در بیمارستانها در دوره کمبود منابع معرفی کرده‌ایم. بسیاری از محققان، نتیجه گیری خود را از دیدگاه‌های مختلفی در مورد عوامل مختلف مانند تغییرات مکانی، خطرات آب و هوایی، آمادگی، گروه خون، سن و بیماریهای همراه (چند ابتلایی) که ممکن است در میزان مرگ و میر ناشی از COVID-19 نقش داشته باشند، بیان کرده‌اند. با این حال، با افزایش تعداد افرادی که برای درمان COVID-19 به بیمارستان مراجعه می‌کنند، میزان مرگ و میر به دلیل کمبود امکانات پزشکی افزایش می‌یابد. به منظور ارائه کمک پزشکی در چنین شرایطی، ما باید نه تنها میزان تأثیر بیماری، بلکه سایر عوامل مهم دیگر را نیز در نظر بگیریم. هنوز هیچ روشی برای محاسبه اولویت بیماران ارائه نشده است که همه عوامل را در بر بگیرد. ما در این مقاله تحقیقاتی، بر اساس هشت عامل اصلی راه حلی را برای این موضوع یعنی برای تعیین اولویت‌ها ارائه کرده‌ایم. برای اینکه روش پیشنهادی ما کارآمد و قابل اجرا باشد، افرادی با نتایج مختلف را از نظر همه این عوامل مورد مطالعه قرار داده‌ایم. تابع سیگموئید به ساخت آسان عوامل در سطوح مختلف کمک می‌کند. علاوه بر این، مدل راه حل تار عنکبوتی به ما امکان می‌دهد تا پتانسیل الگوریتم پیشنهادی خود را به طور واضحی مشاهده کنیم. طبقه بندی افراد بصورت پرخطر به کم خطر با استفاده از روشی که ما معرفی کرده‌ایم آسانتر است. با افزایش تعداد بیماران در بیمارستانها، کنار آمدن با مشکلاتی که بوجود می‌آیند آسانتر خواهد شد. این امر می‌تواند مرگ و میر بیماران COVID-19 را کاهش دهد. متخصصین پزشکی می‌توانند در تصمیم گیری بهتر نقش موثری داشته باشند.

1. مقدمه

یک بیماری جدید به نام کرونا ویروس (COVID-19) –  2019 علت وضعیت پاندمی گسترده در سراسر جهان است که زمانی که به بیش از 2،00،000 مورد در حدود 160 کشور رسید، توسط سازمان بهداشت جهانی (WHO)در ژانویه 2020 اعلام شد. COVID-19 در ابتدا در پایان سال 2019 در ووهان چین شناسایی شد، سپس به سرعت گسترش یافت و به دلیل نارسایی تنفسی یا سایر عوارض مرتبط در شهر ووهان و برخی دیگر از کشورهای در تماس با ووهان، موجب مرگ و میر مردم شد. سندرم حاد تنفسی شدید (SARS) مرتبط با بزرگترین ویروس RNA شناخته شده به نام ویروس کرونا در سالهای اخیر به طور دوره‌ای در سراسر جهان ظاهر شده است. در سطح جهانی، از ساعت 3:46 بعد از ظهر CET ، 02 نوامبر 2020 46،403،652 مورد تأیید شده COVID-19 وجود داشته است و 1،198،569 مورد مرگ و میر توسط WHO از مقامات ملی اعلام شده است. 

8. نتیجه گیری

رویکرد استدلال مبتنی بر مورد فازی، نه تنها برای تشخیص، وآگاهی از آسیب پذیریهای بیمار استفاده می‌شود، بلکه از آن برای اولویت بندی درمان نیز استفاده می‌شود که اقدامی جدید است. با استفاده از روش‌هایی که معرفی کرده‌ایم، می‌توانیم به وضعیت شدت بیماری پی برده و بلافاصله به بیماران کمک کنیم. بنابراین، می‌توانیم با درمان اولیه آنها با توجه به سطح شدت بیماری، از مرگ و میر بیمار جلوگیری کنیم. برای یک بیمار مبتلا به COVID-19، اگر اولویت درمان بیمار فقط بر اساس میزان تأثیر بیماری باشد، وضعیت بسیاری از بیماران بدتر و تکراری‌تر می‌شود. دلیل این امر این است که، اگر میزان شیوع در یک بیمار 35٪ و در بیمار دیگر 30٪ باشد، و دارای فشار خون بالا یا دیابت نیز باشد، پس فرد دوم در درمان اولویت دارد. بنابراین، اولویت بندی درمان تنها براساس میزان تأثیر بیماری نمی‌تواند صحیح باشد. روشی که ما معرفی کرده‌ایم، با توجه به سن، شدت و چند ابتلایی، به اولویت بندی درمان کمک می‌کند. این روش می‌تواند به بهبود توانایی تصمیم گیری متخصصان پزشکی کمک کند و در لحظات بحرانی اتخاذ تصمیمات پیچیده می‌تواند بسیار سودمند باشد. 

Abstract

In this research article, we introduced an algorithm to evaluate COVID-19 patients admission in hospitals at source shortage period. Many researchers have expressed their conclusions from different perspectives on various factors such as spatial changes, climate risks, preparedness, blood type, age and comorbidities that may be contributing to COVID-19 mortality rate. However, as the number of people coming to the hospital for COVID-19 treatment increases, the mortality rate is likely to increase due to the lack of medical facilities. In order to provide medical assistance in this situation, we need to consider not only the extent of the disease impact, but also other important factors. No method has yet been proposed to calculate the priority of patients taking into account all the factors. We have provided a solution to this in this research article. Based on eight key factors, we provide a way to determine priorities. In order to achieve the effectiveness and practicability of the proposed method, we studied individuals with different results on all factors. The sigmoid function helps to easily construct factors at different levels. In addition, the cobweb solution model allows us to see the potential of our proposed algorithm very clearly. Using the method we introduced, it is easier to sort high-risk individuals to low-risk individuals. This will make it easier to deal with problems that arise when the number of patients in hospitals continues to increase. It can reduce the mortality of COVID-19 patients. Medical professionals can be very helpful in making the best decisions.

1. Introduction

A novel COrona VIrus Disease-2019 (COVID-19) is the reason for the massive pandemic situation all over the world, which has been named and declared by World Health Organization (WHO) on January, 2020 when it reached over 2,00,000 cases around 160 countries. COVID-19 was first identified at the end of 2019 in Wuhan, China, then it spreads rapidly and caused death due to the respiratory failure or other related complications in the Wuhan city and some other countries which are in contact with Wuhan. Severe Acute Respiratory Syndrome (SARS) associated with the largest known RNA virus called corona virus emerges periodically in recent years around the world. Globally, as of 3:46 PM CET, 02 November 2020 there have been 46,403,652 confirmed cases of COVID-19, including 1,198,569 deaths received by WHO from national authorities.

8. Conclusion

Fuzzy case-based reasoning approach not only for diagnosis, to know the patient’s vulnerability and use it to prioritize treatment is a new endeavor. Through the methods we introduced, we can understand the status of the patient severity and help them immediately. Thus, we can prevent patient mortality by treating them first with the level of the patient severity. For a patient with COVID-19, if the priority to the patient’s in treatment given only with the degree of impact of the disease, the condition of many patients will become worse and more repetitive. The reason is that if one patient has a prevalence rate of 35% and another patient has a prevalence rate of 30%, and has high blood pressure or diabetes, then the second person does need priority treatment. Therefore, it is not correct to prioritize treatment based only on the degree of impact of the disease. The method we introducing will help to prioritize treatment considering the patient’s age, severity, and comorbidities. And this method can help improve the decision-making ability of medical professionals. For medical professionals, it can be very useful in the critical moment of making complex decisions.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

رویکرد استدلال مبنی بر مورد فازی برای یافتن اولویت بیماران کووید-19 در بیمارستانها در دوره کمبود منبع

Fuzzy case-based reasoning approach for finding COVID-19 patients priority in hospitals at source shortage period

یک روش c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها در اینترنت اشیا

An efficient fuzzy c-means approach based on canonical polyadic decomposition for clustering big data in IoT

چکیده

1 مقدمه

2 معلومات اولیه

3 روش میانگین مرکز فازی کارآمد بر اساس طرح تجزیه چند متغیری کانونیک تانسور

4 آزمایش ها

5 نتیجه گیری

6 سپاسگزاری

منابع

چکیده

     داده کاوی داده های هوشمند از داده های بزرگ جمع آوری شده از اینترنت اشیا به منظور بهتر کردن زندگی بشر با مجتمع سازی دستگاه های فیزیکی در فضای اطلاعات است. یکی از مهمترین روش های خوشه بندی برای یادگیری داده هوشمند، الگوریتم میانگین مرکز فازی (FCM) است که هر شیء را با محاسبه ماتریس عضویت به چندین گروه اختصاص می دهد. با این حال هر شیء داده بزرگ تعداد زیادی ویژگی دارد که چالش بزرگی برای خوشه بندی زمان واقعی داده بزرگ IoT از طریق FCM را به همراه دارد. در این مقاله یک روش میانگین مرکز فازی کارآمد بر اساس تجزیه چند متغیری استاندارد تانسور را برای خوشه بندی داده های بزرگ در اینترنت اشیا معرفی می کنیم. در طرح ارائه شده، الگوریتم میانگین مرکز فازی معمول توسط تابع دوسویی به الگوریتم میانگین مرکز فازی تانسور مرتبه بالا (HOFCM) تبدیل می شود. به علاوه تجزیه چند متغیری کانونیک تانسور برای کاهش ویژگی های هر شیء به کار می رود تا بازده خوشه بندی بهبود یابد. در آخر آزمایش های زیادی برای مقایسه طرح توسعه داده شده با الگوریتم میانگین مرکز فازی معمول روی دو مجموعه داده بزرگ IoT شامل eWSN و eGSAD نسبت به صحت خوشه بندی و بازده خوشه بندی انجام می شود. نتایج بیان می کنند که طرح توسعه داده شده به طور قابل توجهی، بازده خوشه بندی بالاتری دارد و صحت خوشه بندی آن به میزان کمی کمتر از الگوریتم معمول است که توانایی طرح ارائه شده برای یادگیری داده هوشمند از داده بزرگ IoT را نشان می دهد.

معلومات اولیه

معلومات اولیه شامل روش میانگین مرکز فازی معمول (FCM) و تجزیه چند متغیری کانونیک تانسور هستند که برای طرح معرفی شده در این بخش ارائه می شوند. ابتدا FCM و سپس تجزیه چند متغیری کانونیک تانسور معرفی می شوند.

روش میانگین های مرکز فازی (FCM)
روش استاندارد میانگین مرکز فازی در ابتدا توسط بیدک و همکارانش [7] معرفی شد. با فرض اینکه X= {x1, x2, . . . , xN} مجموعه داده ای است که باید خوشه بندی شود و هر شیء m ویژگی دارد، روش میانگین مرکز فازی استاندارد هر شیء xi(1 ≤ i ≤ N) را به c خوشه با ماتریس عضویت c×N با نام U = {uij} اختصاص می-دهد که در آن uij بیانگر عضویت j-امین شیء متعلق به گروه i-ام است. به طور خاص روش میانگین مرکز فازی استاندارد با معادله زیر بیان می شود:

بنابراین هدف روش میانگین مرکز فازی استاندارد محاسبه ماتریس عضویت و محاسبه مراکز خوشه V =
{v1, v2, . . . , vc} داده شده در مجموعه داده X است. تا کنون روش میانگین مرکز فازی استاندارد به طور تصادفی به ماتریس عضویت مقدار اولیه می دهد و سپس ماتریس عضویت و مراکز خوشه را با کمینه کردن تابع هدف Jm به صورت زیر به روز رسانی می کند:

برآورد آسیب ساختمان ها پس از زلزله با استفاده از منطق فازی

Post-earthquake assessment of buildings damage using fuzzy logic

چکیده

1- مقدمه

2- ارزیابی صدمه بعد از زلزله: جنبه های کلی

3- روش منطق فازی :جنبه های تئوری

4- وزن های قانون فازی : شناسایی

5- کاربرد و مثال عددی

6- نتیجه گیری

منابع

چکیده

در تحقیق حاضر روشی بر اساس منطق فازی برای ارزیابی صدمات بعد از زلزله در ساختمان ها ارائه شده است. در این روش، میزان صدمه از اطلاعات گزارش شده توسط پرسنل آموزش دیده و نظارت های انجام شده از پارامترهای بصری مثل “اجزای سازه ” و ” اجزای غیر سازه ای” بدست آمده اند. برای اهداف تشریحی، صدها فرم ارزیابی از تحقیقات بعد از زلزله 6.8 ریشتری بامردس الجزیره گردآوری شدند. با توجه به فرم ارزیابی استاندارد، صدمه ها در هر کدام از سازه ها ازD1 (بدون صدمه) تا D5(تخریب) درجه بندی می شوند. پس، هدف این تحقیق ارائه گزارشی از میزان صدمه ها است که در بازه D1 تا D5 قرار می گیرند. در این تحقیق تاثیرات تعداد و وزن قانون فازی بررسی می شود. همچنین، تاثیر مقایر مرتبط با توابع عضویت در سطح صدمات کلی با استفاده از قانون وزن فازی تک شاخصی و میزان صدمه دارای بیشترین مقدار عضویت مورد ارزیابی قرار می گیرد، در حالی که بقیه مقادیر صدمه ها علیرغم تاثیر کم نیز در نظر گرفته می شوند. یک الگوریتم ژنتیک نیز برای بهینه سازی وزن های مرتبط با میزان صدمه سازه مورد استفاده قرار می گیرد. پایگاه اطلاعاتی گردآوری شده که بیش از 27000 ساختمان را پوشش می دهد برای آموزش و ارزیابی مورد استفاده قرار می گیرد. پیش بینی تئوری بدست آمده از پردازش اتوماتیک برای فرم های ارزیابی در هر ساختمان با میزان صدمه کلی مقایسه می شوند (صدمه مشاهده شده) و توسط ناظران میزان صدمه تعیین می شود. نتایج نشان می دهد که ارزیابی تئوری متناسب با مقادیر مشاهده شده برای 90 درصد از ساختمان های ارزیابی شده است.

2- ارزیابی صدمه بعد از زلزله: جنبه های کلی
     هدف این تحقیق ارائه یک روش کلی پردازش اتوماتیک با کاربرد استفاده در تحقیقات ارزیابی صدمه بعد از زلزله و فرم های ارزیابی است. این فرم ها بعد از نظارت های بصری از ساختمان بعد از زلزله پر می شوند. برای اهداف تشریح، فرم های ارزیابی استاندارد مورد استفاده در الجزیره (20) برای نشان دادن روش مطرح شده در نظر گرفته می شوند. (مراجعه به قسمت ضمیمه A).

     فرم های ارزیابی شامل بخش هایی برای سیستمی کردن روش ارزیابی هستند. هر کدام از بخش ها دارای زیر مولفه هایی است که به صورت مشترک ارزیابی می شوند. به علاوه، هر کدام از این زیر شاخه ها باید با حداکثر صدمه مشاهده شده در همان دسته نشان داده شوند (برای نمونه، اگر میزان صدمات مختلف در ستون های بتنی مشاهده شود، حداکثر میزان صدمه باید در نظر گرفته شود). انتظار می رود که ناظر به صورت بصری اجزای ساختمان را بازررسی کند و فرم ارزیابی را بر اساس معیار D1 (بدون صدمه) تا D5 (تخریب) پر کند. درنهایت، ناظر میزان صدمه نهایی را بر اساس معیار D1 تا D5 و با تحلیل میزان صدمه تعیین شده در فرم مشخص می کنند. امنیت و کارایی ساختمان نیز با استفاده از رنگ های خاص تعیین می شوند: سبز برای امنیت ، نارنجی برای عدم امنیت و قرمز برای خطرناک . (مشاهده جدول 3).

     تحقیقات قبلی انجام شده در مورد روش احتمالی و مفهوم شبکه هوش مصنوعی – که در آن فرم ارزیابی استاندارد مورد استفاده الجزیره مورد بحث قرار گرفته است – نشان دادند که میزان صدمات کلی بستگی به صدمه مشاهده شده در هر کدام از پارامترهای نظارتی (مثل اجزای ” سازه ای و با اولیه ” و ” غیر سازه ای یا ثانویه”دارد (جدول 1و2). میزان صدمه کلی در ساختمان های نظارت شده با توجه به فرمول کلی زیر به عنوان تابعی از میزان صدمه اجزا نوشته می شود:

پیاده سازی کنترل کننده منطق فازی و کنترل کننده PID برای یک موتور DC کدگذار- “یک مطالعه موردی برای خودروی هدایت شده خودکار”

Implementing Fuzzy Logic Controller and PID Controller to a DC Encoder Motor – “A case of an Automated Guided Vehicle”

چکیده
1- مقدمه
2- توصیف مسئله و روش شناسی
2-1 توصیف مسئله
2- روش شناسی
3- مدلسازی و شبیه سازی ریاضی
3-1 تابع انتقال سیستم
3-2 تحلیل حالت پایدار سیستم
3-3 تحلیل گذرای سیستم
3-4 شبیه سازی کنترل کننده PID با استفاده از الگوریتم Ziegler-Nichols
4- پیاده سازی کنترل کننده منطق فازی
5- نتایج و بحث
6 نتیجه گیری مبتنی بر نتایج

چکیده
به منظور کاهش زمان ناآماد (مدت زمان از کارافتادگی) و زمان تدارک, کار کردن AGV با سرعت ثابت یا RPM در کارخانه ضروری است. کنترل کننده منطق فازی و کنترل کننده PID برای به دست آوردن RPM ثابت در AGV به کار برده می شوند. AGV شامل موتور DC جاروبکدار با کدگذار، درایور موتور، میکروکنترلر و باتری می باشد. کدگذار به شکل موقعیت شفت, به میکروکنترلر فیدبک می دهد. میکروکنترلر, خطا در سیستم را بر اساس پارامترهای تعریق شده توسط الگوریتم ها کاهش می دهد. فاز اول مقاله، اطلاعات مختصری در مورد سخت افزار، نرم افزار و الگوریتم ها ارائه می دهد. در فاز دوم مقاله، روش شناسی پیاده سازی الگوریتم به سیستم نشان داده شده است. در فاز نهایی مقاله، نتایج و بررسی ها بر اساس الگوریتم های کاربردی ذکر شده است. مقایسه بین کنترل کننده PID و کنترل کننده PID فازی نیز نشان داده شده است. الگوریتم های Ziegler-Nichols برای پیدا کردن پارامترهای PID استفاده می شود. MATLAB simulink و جعبه ابزار منطق فازی برای شبیه سازی استفاده می شوند. میکروکنترلر Arduino برای پذیرش بازخورد داده شده توسط کدگذار و کنترل سرعت موتور استفاده می شود. در پوسته یک مهره، این استراتژی های کنترل به AGV کمک می کنند تا با RPM ثابت و با زمان استقرار، خطای حالت پایدار و اورشوت کاهش یافته کار کند.
1- مقدمه
در این مقاله، روش شناسی پیاده سازی الگوریتم کنترل PID و الگوریتم کنترل منطق فازی را برای راه اندازی AGV در سرعت ثابت نشان داده شده است. برای دستیابی به سرعت ثابت AGV، سرعت یک موتور DC با استفاده از الگوریتم های فوق الذکر کنترل می شود [1]. شکل 1, بلوک دیاگرامی یک سیستم را نشان می دهد که در آن کدگذار به عنوان عنصر بازخورد استفاده می شود. موتور به عنوان یک کارخانه در نظر گرفته شده و Arduino (کنترل کننده منبع باز) به عنوان یک کنترل کننده استفاده می شود. نقطه تنظیم در شکل RPM است و خروجی در شکل وضعیت شفت موتور است [2]. پارامترهای PID با استفاده از الگوریتمZiegler Nichols یافت می شوند. فرایند منطق فازی به سه قسمت تقسیم می شود. بلوک دیاگرام منطق فازی در شکل 4 نشان داده شده است. با توجه به نقطه مرجع، اولین فازی سازی اتفاق می افتد. موتور تداخلی در تصویر بین فرآیند فازی سازی و فازی زدایی می آید [3-5]. 1) فازی سازی که داده های اندازه گیری شده را (به عنوان مثال RPM موتور, 200 است) را به داده های لفظی تبدیل می کند (به عنوان مثال, موتور, بسیار کند است). پس از پایان فرايند فازي سازي، قوانين فازي را مي توان به کار برد [4]. 2) موتور تداخل که انسجام و تحلیل مناسب را برای یک شبیه سازی خروجی فراهم می کند. 3) فازی زدایی, خروجی را بر اساس تابع عضویت و قواعد تعریف شده ارائه می کند [5] [13].

Abstract

It becomes essential to run AGV at a constant speed or RPM in the plant to reduce downtime and lead time. Fuzzy logic controller and PID controller are applied to achieve constant RPM in AGV. AGV contains DC brushed motor with encoder, motor driver, microcontroller and battery. Encoder gives feedback to microcontroller in the form of shaft position. Microcontroller reduces error in the system based on the parameters defined by the algorithms. The first phase of the paper gives brief information about the hardware, software and the algorithms. In the second phase of the paper, methodology for implementing the algorithm to the system is shown. In the final phase of the paper, results and discussions are mentioned based on the applied algorithms. Comparison between PID controller and fuzzy PID controller is also shown. Ziegler-Nichols Algorithms is used to find PID parameters. MATLAB simulink and fuzzy logic tool box are used for simulation. Arduino Microcontroller is used to accept the feedback given by the encoder and to control the speed of motor. In a nut shell, these control strategies help AGV to run at a constant RPM with reduced settling time, steady state error and overshooting.

1- Introduction

The present work demonstrates the methodology for implementing PID control algorithm and Fuzzy logic control algorithm to run AGV at a constant velocity. To achieve constant velocity of AGV, speed of a DC motor is controlled using above mentioned algorithms [1]. Fig. 1 shows the block diagram of a system, in which encoder is used as a feedback element. Motor is considered as a plant and Arduino (open source controller) is used as a controller. Set point is in the form of RPM and output is in the form of shaft position of the motor [2]. PID parameters are found using Ziegler Nichols algorithm. Fuzzy logic process is divided the three parts. Fuzzy logic Block diagram is shown in fig. 4. According to the reference point, first Fuzzification takes place. Interference engine comes in the picture between Fuzzification and Defuzzification process [3-5]. 1). Fuzzification which converts the measured data (e.g. RPM of the motor is 200) into rhetorical data (e.g. motor is too slow). Fuzzy rules can be defied after the Fuzzification process gets over [4]. 2). Interference Engine which provides appropriate coherence and analysis for an output simulation. 3). Defuzzification gives output on the basis of membership function and defined rules [5][13].

آنالیز استراتژی های استقرار در زنجیره های تامین معکوس: رویکرد TOPSIS فازی

Analysing disposition strategies in reverse supply chains: Fuzzy TOPSIS approach

1. مقدمه

2. مرور بر مقالات

3. استراتژی استقرار در زنجیره تامین معکوس

4. روش شناسی TOPSIS فازی

5. نمایش مورد پژوهی

6. نتایج و مباحث

7. جمع بندی

منابع

هدف – هدف این مقاله بررسی استراتژی های استقرار محصولات در زنجیره تامین معکوس و توسعه یک قالب کاری برای اولویت بندی کردن این استراتژی ها برای اجرای موثر  زنجیره  تامین به روش معکوس می باشد.

طراحی / روش شناسی / نگرش – استراتژی های استقرار بر اساس مرور مقالات در این مطالعه انتخاب شد و روش شناسی فازی TOPSIS برای اولویت بندی استراتژی های استقرار مورد استفاده قرار گرفت. یک مورد از شرکت تولید تلفن های همراه برای نمایش و اعتبار سنجی این روش نیز مورد بررسی قرار گرفته است. سه پاسخ دهنده از این شرکت، به ما کمک کردن تا استراتژی های استقرار  و جمع آوری داده برای شرکت را بررسی کنیم.

یافته ها – نتایج این مطالعه نشان می دهد که جدا کردن محصولات و بازیافت ، مورد ترجیح ترین استراتژی های استقرار در این شرکت می باشند. توزیع مجدد محصولات مرجوعی بعد از نوسازی آن ها دومین استراتژی از نظر اولویت در استراتژی های استقرار می باشد. دفن یا امحای تلفن های  همراه نیز آخرین گزینه مورد ترجیح شرکت می باشد.

محدودیت های تحقیقاتی / کاربردی – این مطالعه یک رهنمود مفید برای شرکت ها به منظور تصمیم گیری در رابطه با تلفن های همراه مرجوعی به شرکت، فراهم می کند. این مقاله می تواند به دانشگاهیان و فعالان در این زمینه کمک کند تا بتوانند استراتژی های استقرار خودشان را ارزیابی کرده، بهبود داده و آن را با معیار های مناسب برای تلفن های همراه مرجوعی، مقایسه کنند. یکی از محدودیت های این مطالعه این است که این مطالعه تنها یک مورد شرکت تولیدی را در نظر می گیرد. در آینده، مطالعه های مورد پژوهی بیشتری باید انجام شود تا بتوان نتایج عمومی را به دست آورد.

ارزش / اصالت – از مرور مقالات مشخص است که مطالعه های بسیار کمی در رابطه با تصمیم های استقرار در زنجیره  تامین معکوس وجود دارد. همچنین، استراتژی های استقرار برای تلفن های همراه اولین بار در این مطالعه ارزیابی و اولویت بندی شده است. در نتیجه، این مطالعه را می توان به عنوان تلاشی برای افزایش سطح آگاهی نسبت به موضوعات زنجیره تامین معکوس در نظر گرفت.

1. مقدمه

در محیط تجاری به شدت رقابتی امروزی، موفقیت بسیاری از کسب و کار ها تا حد زیادی مبتنی بر  کارایی  زنجیره تامین آن ها می باشد. رقابت حالا فراتر از رقابت بین شرکت ها می باشد و به رقابت بین زنجیره های تامین رسیده است.  عموما، کسب و کار ها بیشتر بر روی بهبود زنجیره تامین مستقیم خودشان برای محصولات متمرکز هستند ( مثلا، تولید کننده – کلی فروش – خرده فروش – مشتری).  اما، یکی دیگر از ابعاد مهم و نوظهور در زمینه SCM موفق، فرایند های تدارکات معکوس می باشد ( Marien, 1988) . مادامی که محیط های تجاری رقابت بیشتری را ایجاد می کنند، ان ها باید تمرکز  خودشان را جمع کنند تا بتوانند حلقه بازگشتی را هم بهینه کنند. فعالیت های زنجیره تامین معکوس مدت زمان زیادی وجود داشته اند، به خصوص در صنایع خودرو سازی که تولید کننده تلاش می کنند تا با بازیافت محصولات خودرویی، ارزش ایجاد کند. زنجیره تامین معکوس نسبت به زنجیره تامین مستقیم در جریان اطلاعاتی، جریان توزیع فیزیکی و جریان نقدی متفاوت می باشد. 

7. جمع بندی

این مقاله حوزه های اصلی زنجیره تامین معکوس برای مدیران اجرایی این زمینه را شناسایی می کنند تا آن ها بتوانند با بررسی عوامل موثر بر روی زنجیره تامین معکوس و همچنین موانع موجود برای اجرای موثر این روند، عملکرد خودشان را بهبود بخشند. این دانش به عنوان رهنمودی برای انتخاب استراتژی استقرار مناسب برای محصولات در صنایع مختلف عمل می کند. انتخاب کردن استراتژی استقرار مناسب می تواند فرصتی را برای سازمان ایجاد کند تا کارایی تجاری خودش را در زمانی که هزینه های حاشیه ای بهبود در عملیات زنجیره تامین مستقیم افزایش یافته است، بهبود دهد. مدیریت موثر کالاهای مرجوعی منابع مختلفی از درآمد را برای سازمان ها ایجاد می کند از جمله روش های مزایده، ترمیم، بازیافت و روش های دیگر. زنجیره تامین معکوس، منبعی از هوش  عملی می باشد که می توان از آن برای بهبود طراحی محصولات، طراحی فرایند ها و عملیات مختلف ،استفاده کرد. 

Purpose – The article aims to explore the product disposition strategies in reverse supply chains and to develop a framework to prioritize these strategies for effective reverse supply chain implementation.

Design/Methodology/Approach –The disposition strategies, based on the literature review were selected, and fuzzy TOPSIS methodology has been applied for the prioritization of these disposition strategies. A case of cell phone manufacturing firm is discussed for the illiustration and validation of the methodology. Three respondants from the firm helped in exploring the disposition strategies and data collection of the firm.

Findings – The results of the study show that dissemble and recycle is the most preferred disposition strategy for the firm. Redistribution of returned products after their refurbishing is second most prioritized disposition strategy. Landfill and inciretion of cell phones is the last and least prefreferred option for the firm.

Research limitations/implications– The study will provide useful guidance to the firm for disposition decision making of cell phones returned to the firm. It will help academicians and practitioners for evaluating, improving and benchmarking the disposition strategies for the disposition of returned cell phones. One of the limitations of the study is that it only considers the single case of manufacturing firm. In future, more case studies may be carried out for generalization of the results.

Originality / value – It is evident from the literature review that there are very few studies on disposition decisions in reverse supply chain. Also, disposition strategies for cell phones are first time being explored and prioritized.Hence, this study can be viewed as an attempt to increase the level of awareness on reverse supply chain issues.

1. Introduction

In today’s highly competitive business environment, the success of any business depends to a large extent on the efficiency of the supply chain. Competition has moved beyond firm-to firm rivalry to rivalry between supply chains. Traditionally, businesses have concentrated on improving the forward supply chain for their products (e.g., manufacturer-wholesalerretailer-consumer). However, another important and emerging dimension of successful SCM is the reverse logistics process (Marien, 1988). As the business environment becomes more competitive, it becomes increasingly important for them to concentrate on optimizing the backward loop, as well. Reverse supply chain practices have been in existence for a long time, especially in the automotive industry, where manufacturers try to recover value from recycling car parts. Reverse supply chains differ from forward supply chains in information flow, physical distribution flow and cash flow.

7. Conclusion

This paper identifies the key impact areas of the reverse supply chain for supply chain executives to focus upon by studying the driving forces for reverse supply chains as well as the barriers for effective implementation of reverse supply chains. This knowledge serves as a guide for choosing the right disposition strategy for products across industries. Choosing the right disposition strategy provides an opportunity to improve business efficiency at a time when the marginal cost of improvement in forward supply chain operations has been rising. Effective returns management offers various sources of revenue from auctions, refurbishments, recycling, and more. The reverse supply chain, offers a wealth of actionable intelligence that can be employed to improve product design, process design, and operations.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

آنالیز استراتژی های استقرار در زنجیره های تامین معکوس: رویکرد TOPSIS فازی

Analysing disposition strategies in reverse supply chains: Fuzzy TOPSIS approach

تشخیص بیماری قلبی بر اساس منطق فازی واسطه ای

Heart disease diagnosis based on mediative fuzzy logic

چکیده

1. مقدمه

2. منطق فازی واسطه ای

3. ارائه دانش

4. سیستم فازی واسطه ای ارائه شده

5. تست سیستم

6. جمع بندی

منابع

چکیده

     منطق فازی واسطه ای یک روش برای حل مشکل اطلاعات متناقض می باشد که راه حلی را برای رفع تناقضات ارائه می کند. هدف این مقاله ارائه کردن یک سیستم تخصصی مبتنی بر این نوع از منطق فازی برای تشخیص بیماری های احتمالی قلبی برای یک بیمار می باشد. سیستم پیشنهادی ما، حالت تعمیم یافته از کنترل کننده منطق فازی Mamdani بوده و شامل 44 قانون از نوع یک ورودی- یک خروجی می باشد. این سیستم با 11 متغیر  به عنوان ورودی و یک متغیر به عنوان خروجی کار می کند..

سیستم فازی واسطه ای ارائه شده

     در پزشکی، ما معمولا با اطلاعات متناقض رو به رو می شویم که ممکن است توسط متخصص های مختلف ارائه شوند که همیشه این اطلاعات موافق هم نیستند. در این شرایط، منطق های فازی متداول و شهودی موثر نیستند در حالی که منطق های فازی واسطه ای را می توان به صورت موفق، استفاده کرد [29]. همانطور که در بخش اول بیان کردیم ،کاربرد های مبتنی بر منطق فازی واسطه ای نسبت به دیگر منطق های فازی ( متداول و شهودی)، برتری دارند. با شروع از کنترل کننده فازی منطق Mamdani و با سیستم تخصصی فازی از [30]، در این بخش ما کنترل کننده منطق فازی واسطه ای را ارائه می کنیم که می توان از آن برای تشخیص بیماری های قلبی استفاده کرد. به همین هدف ما سیستم [30] را توسعه میدهیم و آن را به سیستم فازی واسطه ای تبدیل می کنیم که این کار با استفاده از سیستم فازی شهودی انجام می شود. در آزمایش های انجام شده در [18]، بهترین نتایج با استفاده از معادله 7 به دست آمده است که با استفاده از آن، میتوان خروجی سیستم را محاسبه کرد؛ به همین دلیل ما هم می خواهیم از همین معادله استفاده کنیم.

متغیر های ورودی و خروجی

     گام اول برای طراحی کردن سیستم تخصصی، مشخص کردن متغیر های ورودی و خروجی می باشد. ما با متغیر های زبانی کار می کنیم. یک متغیر زبانی به صورت یک عبارت پنج تایی تعریف می شود که : x نشان دهنده نام متغیر، T(x) نشان دهنده مجموعه شرایط ( مجموعه مقادیر زبانی از x)، G نشان دهنده قوانین نحوی برای ارائه نام شرایط و M نیز نشان دهنده یک قانون معنایی برای ایجاد ارتباط بین شرایط و معانی شان می باشد.

     ما از همین مقادیر در [30] استفاده می کنیم؛ یک مقدار متغیر یک مقدار زبانی و یا یک عدد صحیح می باشد. یک  مقدار زبانی بر اساس یک عدد فازی شهودی ارائه می شود که این عدد بر اساس تابع عضویت و تابع عدم عضویت مشخص شده است. برای اعداد فازی ما تنها بازه هایی با مقادیر غیر صفر را مشخص می کنیم.